[发明专利]非监督ReID中的伪标签更新方法及系统

权利要求书

1.一种非监督ReID中的标签更新方法，其特征在于，包括：

基于非监督ReID神经网络模型从无标签的图片的数据集中获取每个样本的特征向量，进行聚类后得到多个聚类中心及每个聚类中心对应的中心向量和类别标签，并分配类别标签给所述每个样本，以标识所述每个样本所属的聚类中心；

在聚类后的数据集中采样部分样本，训练所述非监督ReID神经网络模型，并在训练的每次迭代中更新模型参数以获得所述部分样本的新的特征向量；

基于每次迭代中获得的所述部分样本的新的特征向量和所述多个聚类中心，计算所述部分样本中每个样本的新的类别标签并更新到所述每个样本所在的数据集中；

其中，在每次迭代后，判断是否达到了迭代收敛条件，如果是，则结束训练并记录训练好的非监督ReID神经网络模型，如果否，则进入下一次迭代。

2.如权利要求1所述的方法，其特征在于，在聚类后的数据集中采样部分样本，训练所述非监督ReID神经网络模型，并在训练的每次迭代中更新模型参数以获得所述部分样本的新的特征向量，具体包括：

从所述数据集中采样miniBatch个样本，提供给所述非监督ReID神经网络模型进行卷积神经网络的迭代训练，并在每次迭代时根据损失函数的计算进行反向传播以更新所述非监督ReID神经网络模型的参数；

基于更新后的模型参数，所述非监督ReID神经网络模型通过前向传播获取所述miniBatch个样本新的特征向量；

通过动量法叠加所述新的特征向量到对应样本原来的特征向量上，或者直接利用所述新的特征向量替换对应样本原来的特征向量，以便在每次迭代中获得所述部分样本的新的特征向量。

3.如权利要求1所述的方法，其特征在于，基于每次迭代中获得的所述部分样本的新的特征向量和所述多个聚类中心，计算所述部分样本中每个样本的新的类别标签并更新到所述每个样本所在的数据集中，具体包括：

对于每次迭代获得的所述部分样本的新的特征向量，分别计算每个所述新的特征向量与多个聚类中心中每一个聚类中心的中心向量的距离，将计算出的距离最小的一个中心向量所在的聚类中心对应的类别标签分配给所述新的特征向量，以得到所述新的特征向量对应样本的新的类别标签，并用新的类别标签更新数据集中对应样本原来的类别标签。

4.如权利要求1所述的方法，其特征在于，所述“在每次迭代后，判断是否达到迭代收敛条件”之前，还包括：

判断是否达到预定迭代条件；

如果达到预定迭代条件，则更新所述多个聚类中心中每一个聚类中心对应的中心向量、以重新为所属的每个样本分配类别标签并且更新所述非监督ReID神经网络模型的部分参数用于下一次迭代。

5.如权利要求4所述的方法，其特征在于，所述“如果达到预定迭代条件，则更新所述多个聚类中心中每一个聚类中心对应的中心向量、以重新为所属的每个样本分配类别标签并且更新所述非监督ReID神经网络模型的部分参数用于下一次迭代”，具体包括：

当达到预定迭代条件时，统计多个聚类中心中样本数量少于预设值的聚类中心作为小聚集，计算当前一个小聚集中的每个样本与非小聚集的其余的聚类中心中的每一个聚类中心对应的中心向量的距离，为当前小聚集中的每个样本分配计算出的距离最小的一个中心向量所在的聚类中心对应的类别标签，以逐个将当前小聚集中的所有样本分别分配给所述其余的聚类中心；

将所述其余的聚类中心中样本数量最多的一个聚类中心作为大聚集并分成两个分裂聚集，随机选择其中一个分裂聚集并将其类别标签设置为已经没有样本的当前小聚集的类别标签，并将获得当前小聚集的类别标签的所述分裂聚集作为所述其余的聚类中心中的一个新的其余的聚类中心；

如果所有的小聚集都完成样本重新分配以及将自身的类别标签设置到各个分裂聚集后，对每个聚类中心中样本的特征向量通过求均值方式重新确定每个聚类中心的中心向量；

利用重新计算的多个聚类中心的中心向量，通过动量法替换或直接替换非监督ReID神经网络模型的头部网络中分类损失分支的全连接层的权重权值，从而更新所述非监督ReID神经网络模型的部分参数。